1 前言
在上周，小编在《python数据可视化之公众号得分的柱状图》一文中，将各作者的得分数据与文章数通过pyecharts进行了简单的分析处理，但是数据的分析往往是通过多个方面来看的。所以今天，小编就继续将上次得到的数据进行可视化处理。
2 准备
首先是python环境不用多说，然后是可读取excel的xlrd模块和强大的可视化模块pyecharts。两者都通过pip安装即可。
代码语言：javascript复制pip install xlrd
pip install pyecharts然后直接导入对应模块和类即可。
代码语言：javascript复制#导入模块
from pyecharts.charts import Bar
from pyecharts import options as opts
from pyecharts.charts import Line
import xlrd #读取excel的模块数据来源还是由上一篇文章中处理的excel表格。
图2.1excel表格
图2.2上次获得的数据
3数据处理
3.1 平均得分
平均数是常用的最基本的一项指标。能够很好的反应数据整体的情况。
代码语言：javascript复制authorScore = {}##用来储存作者与每篇文章的得分
for i in range(1,table.nrows): #遍历表格中的每一行
look = table.row_values(i)[2] #在看
read = table.row_values(i)[3] #阅读数
like = table.row_values(i)[4] #点赞
score = look read * (1 / 10) like * (1 / 2) #每篇文章得分
if table.row_values(i)[1] not in allData.keys(): #判断储存数据的字典中是否有该作者
allData.get(table.row_values(i)[1]) #没有就添加
allData[table.row_values(i)[1]] = [1,score] #为这个作者添加值（文章数和得分）
authorScore.get(table.row_values(i)[1]) # 没有就添加
authorScore[table.row_values(i)[1]] = [round(score,1)] # 为这个作者添加文章得分
else:
allData[table.row_values(i)[1]][0] = 1 #有就文章数加一
allData[table.row_values(i)[1]][1] = score #累计得分
authorScore[table.row_values(i)[1]].append(round(score,1)) #每次文章得分
bar2 = (Bar() #对柱状图进行简单配置
.add_xaxis(author) #设置横坐标为作者
.add_yaxis('平均得分',averageScore) #纵坐标一为文章数
.set_global_opts( #全局配置，标题、副标题、坐标轴、主题等
#xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
title_opts=opts.TitleOpts(title = '公众号得分数据分析',subtitle = '近期作者发布文章数与得分情况')
)
)
bar2.render("test2.html") #生成html文件然后将得到的数据用pyecharts处理成柱状图。
图3.1平均得分柱状图
3.2 每篇文章得分
从上面的平均得分可以看出，文章发布数多，平均得分不一定就高，所以文章的质量不能单看总得分。除了平均分，还要看作者发的每篇文章得分的情况。这里小编将其处理为折线图。
代码语言：javascript复制xaxisData = ["第一篇","第二篇","第三篇","第四篇"]
line = (Line()
.add_xaxis(xaxisData)
.add_yaxis(author[0],authorScore[author[0]])
.add_yaxis(author[1],authorScore[author[1]])
.add_yaxis(author[2],authorScore[author[2]])
.add_yaxis(author[3],authorScore[author[3]])
.add_yaxis(author[4],authorScore[author[4]])
.add_yaxis(author[5],authorScore[author[5]])
.add_yaxis(author[6],authorScore[author[6]])
.add_yaxis(author[7],authorScore[author[7]])
.add_yaxis(author[8],authorScore[author[8]])
.add_yaxis(author[9],authorScore[author[9]])
.add_yaxis(author[10],authorScore[author[10]])
.add_yaxis(author[11],authorScore[author[11]])
.add_yaxis(author[12],authorScore[author[12]])
.add_yaxis(author[13],authorScore[author[13]])
.add_yaxis(author[14],authorScore[author[14]])
.add_yaxis(author[15],authorScore[author[15]])
.add_yaxis(author[16],authorScore[author[16]])
.add_yaxis(author[17],authorScore[author[17]])
.add_yaxis(author[18],authorScore[author[18]])
.add_yaxis(author[19],authorScore[author[19]])
.add_yaxis(author[20],authorScore[author[20]])
.add_yaxis(author[21],authorScore[author[21]])
.add_yaxis(author[22],authorScore[author[22]])
.set_global_opts(title_opts=opts.TitleOpts(title="每篇文章得分")
)
)
line.render("test3.html")
图3.2
3.3 方差
从上面每篇文章得分可以看出，每位作者的得分稳定性都不一样，有的文章得分很高，然后另一篇文章得分就很低。所以小编就引入方差，方差就是评判一组数据的稳定性的。越小越好。
代码语言：javascript复制averageScore = []#储存平均得分
variance = []#储存方差
scoreData = list(authorScore.values())
def varianceGet(scoreList,count,average):
sum = 0
for o in scoreList:
sum = ((o-average)**(2))/count
return round(sum,1)
n = 0
for i in datas: #遍历数据表
articleCount.append(i[0]) #添加文章数
articleScore.append(round(i[1],1)) #添加的得分
averageScore.append(round(i[1]/i[0],1))
variance.append(varianceGet(scoreData[n],i[0],round(i[1]/i[0],1)))
n = 1
bar3 = (Bar() #对柱状图进行简单配置
.add_xaxis(author) #设置横坐标为作者
.add_yaxis('方差',variance) #纵坐标一为文章数
.set_global_opts( #全局配置，标题、副标题、坐标轴、主题等
#xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
title_opts=opts.TitleOpts(title = '公众号得分数据分析',subtitle = '近期作者发布文章数与得分情况')
)
)
bar3.render("test4.html") #生成html文件
图3.3方差
4 总结
以上就是小编这次对公众号得分数据的简单分析及可视化处理。数据可视化处理是对数据的整理和分析非常有效的方法。能帮助我们快速获取到众多数据之间的关系以及各数据的关键信息。当然pyecharts能做的远不止这些。要想深入学习了解，小编建议到官网学习：
END
